人工智能基础 | 机器学习模型评估与选择（二）

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-AKaW7zbS-1667398996145)(https://csdn-pic-1301850093.cos.ap-guangzhou.myqcloud.com/csdn-pic/公众号横幅-1.png)]

前言

以下内容是在学习过程中的一些笔记，难免会有错误和纰漏的地方。如果造成任何困扰，很抱歉。

对于模型的评估与选择过程中，通常我们会根据样本的错误率与输出误差判断模型的好坏，以做出决策，首先我们从相应的名词解释看背后的问题：

• 样本错误率E = 分类错误的样本数a / 样本总数m = E=a/m

• 样本精度 = 1 - 分类错误的样本数 / 样本总数

• 误差：学习器实际输出与样本的真实输出之间的差异

但是实际上，我们并不需要完全100%正确的模型，一个非常优秀的模型它的错误率一定是无限接近100%但是又不会